بررسی ارتباط بین خصوصیات هیدروژئومرفولوژی و میزان جریان‌های زیر قشری با استفاده از رویکرد شبکه عصبی مصنوعی (مطالعه موردی سدهای زیرزمینی استان کرمان)

به دلیل نیاز روزافزون به آب و عدم دسترسی به منابع تامین کننده آن، حفظ و استفاده از منابع آب زیرزمینی ضروری به نظر می رسد. شناسایی و بهره برداری این منابع از اهمیت خاصی برخوردار است. بررسی جریان های زیر قشری نیاز به مطالعات ژئوالکتریک و ژئوتکنیک دارد که هر دو این عملیات مستلزم صرف وقت و هزینه زیاد است؛ بنابراین ارائه روش یا مدلی که بتوان هزینه بررسی جریان های زیر قشری را به حداقل ممکن کاهش بدهد ضروری است. در این پژوهش با استفاده از دو نوع شبکه عصبی مصنوعی پرسپترون چندلایه (mlp)و شبکه تابع پایه شعاعی (rbf)به بررسی رابطه بین خصوصیات هیدروژئومورفولوژی حوزه آبخیز جریان های زیر قشری در 7 زیر حوزه آبخیز واقع در استان کرمان پرداخته شد. خصوصیات هیدروژئومورفولوژی سدهای زیرزمینی به عنوان متغیر مستقل ورودی و دبی جریان زیر قشری در خروجی حوزه آبخیز به عنوان متغیر وابسته در نظر گرفته شد. نتایج این پژوهش نشان می دهد که شبکه عصبی تابع پایه شعاعی (rbf) با ضریب تعیین 0.9182 و میانگین مربعات خطای 0.0289 نسبت به روش شبکه عصبی مصنوعی پرسپترون چندلایه (mlp) با ضریب تعیین0.5288 و میانگین مربعات خطا 0.0725 نتایج دقیق تری در برآورد میزان دبی جریان زیر قشری ارائه می نماید. با توجه به ضریب تعیین محاسبه شده می توان نتیجه گرفت که مدل شبکه عصبی راهکاری مناسب و کم هزینه برای بررسی این ارتباط در حوزه های آبخیز است.

Investigating of Relationship Between Hydro-geomorphological Characteristics of the Watershed Basin and Interflows Using Artificial Neural Network Approach (Case Study: Kerman's Subsurface Dams)

Due to the increasing need for water and the lack of access to its sources, it is essential to maintain and use groundwater resources. So, identifying and exploiting these resources has particular importance. Investigating interflows requires geoelectric and geotechnical studies, both of which require a lot of time and cost. Therefore, it is necessary to provide a method or model that can minimize the cost of investigating interflows as much as possible. In this research, two types of artificial neural networks multilayer perceptron (MLP) and radial base function (RBF) were used to study the relationship between hydrogeomorphological characteristics of the watershed basin and interflows in seven watershed subbasins in Kerman province. Hydrogeomorphological characteristics of subsurface dams were considered as input independent variables, and the discharge of interflow in the watershed basin outlet was considered as dependent variable. The results of this study show that radial base function (RBF) with determination coefficient of 0.9182 and mean squares error of 0.0289, has more accurate results in estimating the discharge of interflow, compared to artificial neural network method of multilayer perceptron (MLP) with determination coefficient of 0.5288 and mean squares error of 0.725. Regarding the determination coefficient in the used methods, it can be concluded that the model of the neural network is the appropriate solution and low cost to check this connection in the watershed.